| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 脑肿瘤MRI的医学影像知识分析 | 第13-16页 |
| 1.3.1 脑部MRI的类型 | 第13-14页 |
| 1.3.2 脑部MRI的特点 | 第14-15页 |
| 1.3.3 脑肿瘤MRI表现 | 第15-16页 |
| 1.4 本文研究内容和组织结构 | 第16-19页 |
| 第2章 MR图像分割的问题与方法 | 第19-27页 |
| 2.1 MR图像分割难点 | 第19-20页 |
| 2.2 MR图像分割方法概述 | 第20-25页 |
| 2.2.1 基于阈值的分割算法 | 第20-22页 |
| 2.2.2 基于区域生长的分割方法 | 第22-23页 |
| 2.2.3 基于边缘检测的分割算法 | 第23-24页 |
| 2.2.4 基于形变模型的分割算法 | 第24页 |
| 2.2.5 其他的分割方法 | 第24-25页 |
| 2.3 医学图像分割技术的评价 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于改进分水岭的MR图像脑肿瘤分割算法 | 第27-43页 |
| 3.1 分水岭算法概述 | 第27-31页 |
| 3.1.1 分水岭基本思想 | 第27页 |
| 3.1.2 分水岭实现方式 | 第27-29页 |
| 3.1.3 分水岭的数学描述 | 第29-30页 |
| 3.1.4 传统分水岭算法分割脑肿瘤图像 | 第30-31页 |
| 3.2 基于形态学的改进分水岭分割算法 | 第31-38页 |
| 3.2.1 形态学预处理 | 第31-33页 |
| 3.2.2 梯度图的生成 | 第33-36页 |
| 3.2.3 标记提取 | 第36-38页 |
| 3.3 算法的实现 | 第38-39页 |
| 3.4 实验与结果分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于Mean Shift的MR图像脑肿瘤分割算法 | 第43-57页 |
| 4.1 Mean Shift算法原理 | 第43-49页 |
| 4.1.1 Mean Shift向量 | 第43-46页 |
| 4.1.2 Mean Shift算法的过程 | 第46页 |
| 4.1.3 Mean Shift算法图像分割原理 | 第46-49页 |
| 4.2 Mean Shift算法的优化 | 第49-51页 |
| 4.2.1 核函数的构建 | 第49-50页 |
| 4.2.2 迭代步长的改进 | 第50-51页 |
| 4.3 基于Mean Shift算法的MR图像脑肿瘤分割的实现 | 第51-54页 |
| 4.3.1 图像预处理 | 第51-52页 |
| 4.3.2 基于最大熵区域合并 | 第52-53页 |
| 4.3.3 算法步骤 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 基于最大流最小割的MR图像脑肿瘤分割算法 | 第57-71页 |
| 5.1 图割基本理论 | 第57-61页 |
| 5.1.1 图的概念 | 第57-58页 |
| 5.1.2 s-t网络与割 | 第58-60页 |
| 5.1.3 最大流/最小割定理 | 第60-61页 |
| 5.2 图割理论在图像中的应用 | 第61-62页 |
| 5.3 基于最大流最小割的MR图像脑肿瘤分割算法 | 第62-67页 |
| 5.3.1 代价函数 | 第63-64页 |
| 5.3.2 构建图 | 第64-66页 |
| 5.3.3 分割图像 | 第66-67页 |
| 5.3.4 算法流程 | 第67页 |
| 5.4 算法实现与结果分析 | 第67-70页 |
| 5.4.1 定性分析 | 第67-68页 |
| 5.4.2 定量分析 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |